Descubriendo el potencial de IoT con inteligencia artificial y aprendizaje automático

La clave para obtener más valor del Internet de las cosas industrial (IIoT) y las plataformas de IoT es lograr que las cargas de trabajo de inteligencia artificial y aprendizaje automático (ML) sean correctas. A pesar de la enorme cantidad de datos de IoT capturados, las organizaciones no alcanzan sus objetivos de gestión del rendimiento empresarial porque la inteligencia artificial y el aprendizaje automático no se adaptan a los desafíos en tiempo real que enfrentan las organizaciones. Si resuelve el desafío de escalar la carga de trabajo de IA y ML desde el principio, las plataformas IIoT e IoT pueden cumplir la promesa de mejorar el rendimiento operativo.

Superar los desafíos de crecimiento de IoT

Más organizaciones están buscando iniciativas basadas en inteligencia artificial de vanguardia para convertir los datos de monitoreo de procesos y producción en tiempo real de IoT en resultados más rápido. Las empresas que adoptan IIoT e IoT se enfrentan a los desafíos de trasladar la enorme cantidad de datos integrados a un centro de datos o una plataforma en la nube centralizada para analizarlos y derivar recomendaciones utilizando modelos de IA y ML. La combinación de costos más altos para un centro de datos expandido o almacenamiento en la nube, limitaciones de ancho de banda y mayores requisitos de privacidad hacen de las implementaciones basadas en inteligencia artificial una de las estrategias más comunes para superar los desafíos de crecimiento de IoT.

Para utilizar IIoT e IoT para mejorar el rendimiento operativo, las empresas deben enfrentar los siguientes desafíos:

• Los dispositivos de punto final de IIoT e IoT deben progresar más allá del monitoreo en tiempo real para proporcionar inteligencia contextual como parte de una red. La conclusión es que las redes de IIoT / IoT basadas en IA de borde serán el estándar de facto en las industrias que dependen de la visibilidad, la velocidad y la rotación de inventario de la cadena de suministro dentro de tres años o menos. Según las discusiones que VentureBeat ha tenido con los CIO y los líderes de TI en los servicios financieros, la logística y la fabricación, la IA de borde es la piedra angular de sus planes de implementación de IoT e IIoT. Los equipos de operaciones y TI empresarial quieren puntos finales más inteligentes contextualmente para mejorar la visibilidad de un extremo a otro en las redes basadas en sensores de IoT en tiempo real. Los planes de desarrollo incluyen tener sistemas basados ​​en inteligencia artificial que brinden recomendaciones de mejora del rendimiento en tiempo real en función de los resultados del modelo de aprendizaje automático.
• El modelado de IA y ML debe ser fundamental para una arquitectura IIoT / IoT, no un complemento. Intentar incorporar el modelado de IA y ML a cualquier red IIoT o IoT ofrece resultados marginales en comparación con cuando está diseñado en el núcleo de la arquitectura. El objetivo es admitir el procesamiento de modelos en múltiples etapas de una arquitectura IIoT / IoT mientras se reduce el rendimiento y la latencia de la red. Las organizaciones que han logrado esto en sus arquitecturas IIoT / IoT dicen que sus puntos finales son más seguros. Pueden adoptar un enfoque de acceso con privilegios mínimos que forma parte de su marco de seguridad Zero Trust.
• Los dispositivos IIoT / IoT deben tener un diseño lo suficientemente adaptable para admitir actualizaciones de algoritmos. La propagación de algoritmos a través de una red IIoT / IoT al nivel del dispositivo es esencial para que toda una red logre y mantenga la sincronización en tiempo real. Sin embargo, actualizar los dispositivos IIoT / IoT con algoritmos es problemático, especialmente para los dispositivos heredados y las redes que los soportan. Es esencial superar este desafío en cualquier red IIoT / IoT porque los algoritmos son fundamentales para que la inteligencia artificial tenga éxito como estrategia. Hoy en día, en todas las plantas de fabricación a nivel mundial, hay millones de controladores lógicos programables (PLC) en uso, que admiten algoritmos de control y lógica de escalera. La lógica de control estadístico de procesos (SPC) integrada en los dispositivos IIoT proporciona datos de productos y procesos en tiempo real integrales para el éxito de la gestión de la calidad. IIoT se está adoptando activamente para el mantenimiento y la supervisión de máquinas, dada la precisión de los sensores para detectar sonidos, variaciones y cualquier variación en el rendimiento del proceso de una máquina determinada. En última instancia, el objetivo es predecir mejor los tiempos de inactividad de las máquinas y prolongar la vida útil de un activo. Estudio de McKinsey Smartening up with Artificial Intelligence (AI): ¿qué ventajas ofrece Alemania y su sector industrial? encontró que los datos basados ​​en IIoT combinados con AI y ML pueden aumentar la disponibilidad de la maquinaria en más del 20%. El estudio de McKinsey también encontró que los costos de inspección se pueden reducir hasta en un 25% y los costos de mantenimiento anual se reducen en general hasta en un 10%. El siguiente gráfico es del estudio:

Arriba: El uso de sensores IIoT para monitorear el stock y la vibración de los equipos de producción es un caso de uso líder que combina el monitoreo en tiempo real y los algoritmos ML para extender la vida útil de la maquinaria al tiempo que garantiza que los programas de mantenimiento sean precisos.

• Las plataformas IIoT / IoT con un enfoque de mercado único y diferenciado están ganando adopción más rápido. Para que una plataforma IIoT / IoT determinada gane escala, cada uno debe especializarse en un mercado vertical determinado y proporcionar las aplicaciones y herramientas para medir, analizar y ejecutar operaciones complejas. Una gran cantidad de proveedores de plataformas de IoT enfocadas horizontalmente confían en socios para la profundidad que requieren los mercados verticales cuando el futuro del crecimiento de IIoT / IoT satisface las necesidades matizadas de un mercado específico. Es un desafío para la mayoría de los proveedores de plataformas de IoT lograr una mayor verticalización del mercado, ya que sus plataformas están diseñadas para las necesidades amplias y horizontales del mercado. Una excepción notable es Honeywell Forge, con su amplia experiencia en edificios (comerciales y minoristas), fabricación industrial, ciencias biológicas, soluciones para trabajadores conectados y gestión del rendimiento empresarial. La adquisición de Ivanti Wavelink de una plataforma IIoT de su socio de canal y tecnología WIIO Group es más típica. El ritmo de tales fusiones, adquisiciones y empresas conjuntas aumentará en la tecnología, las plataformas y los sistemas de sensores de IIoT / IoT, dadas las ganancias de ingresos y las reducciones de costos que las empresas están logrando en un amplio espectro de industrias en la actualidad.
• La transferencia de conocimiento debe ocurrir a escala. A medida que los trabajadores se jubilan y las organizaciones abandonan el modelo tradicional de aprendizaje, la transferencia de conocimientos se convierte en una prioridad estratégica. El objetivo es equipar a la última generación de trabajadores con dispositivos móviles que sean lo suficientemente inteligentes contextualmente para proporcionar datos en tiempo real sobre las condiciones actuales al tiempo que brindan inteligencia contextual y conocimiento histórico. Los trabajadores de mantenimiento actuales y futuros que no tengan décadas de experiencia y conocimientos especializados sobre cómo reparar maquinaria podrán confiar en sistemas basados ​​en inteligencia artificial y aprendizaje automático que indexan el conocimiento capturado y pueden proporcionar una respuesta a sus preguntas en segundos. Combinar el conocimiento obtenido de los trabajadores que se jubilan con técnicas de IA y ML para responder a las preguntas de los trabajadores actuales y futuros es clave. El objetivo es contextualizar el conocimiento de los trabajadores que se jubilan para que los trabajadores de primera línea puedan obtener las respuestas que necesitan para operar, reparar y trabajar en equipos y sistemas.

Cómo los datos de IIoT / IoT pueden impulsar mejoras en el rendimiento

Un 90% de los responsables de la toma de decisiones empresariales cree que IoT es fundamental para su éxito, según el estudio IoT Signals Edition 2 de Microsoft. La encuesta de Microsoft también encontró que el 79% de las empresas que adoptan IoT ven la IA como un componente central o secundario de su estrategia. El mantenimiento prescriptivo, la mejora de la experiencia del usuario y el mantenimiento predictivo son las tres razones principales por las que las empresas están integrando la IA en sus planes y estrategias de IIoT / IoT.

Arriba: El estudio IoT Signals Edition 2 de Microsoft explora la inteligencia artificial, los gemelos digitales, la informática de borde y la adopción de la tecnología IIoT / IoT en la empresa.

Según un análisis de los casos de uso proporcionados en el estudio Microsoft IoT Signals Edition 2 y las conversaciones que VentureBeat ha tenido con los líderes de fabricación, cadena de suministro y logística, las siguientes recomendaciones pueden mejorar el rendimiento de IIOT / IoT:

• Los casos de negocios que incluyen ganancias de ingresos y reducciones de costos ganan con mayor frecuencia. Los líderes de fabricación que buscan mejorar el seguimiento y rastreo en sus cadenas de suministro utilizando IIoT descubrieron que las estimaciones de reducción de costos no eran suficientes para convencer a sus juntas directivas de invertir. Cuando el caso de negocios mostró cómo una mayor comprensión aceleró la rotación de inventarios, mejoró el flujo de caja, liberó capital de trabajo o atrajo nuevos clientes, la financiación para los pilotos no encontró tanta resistencia como cuando se propuso la reducción de costos por sí sola. Cuantas más redes IIoT / IoT entreguen la plataforma de datos para respaldar la generación de informes y análisis en tiempo real de la gestión del rendimiento empresarial, es más probable que sean aprobadas.
• Diseñe arquitecturas IIoT / IoT hoy para la expansión de dispositivos de borde de IA en el futuro. El futuro de las redes IIoT / IoT estará dominado por dispositivos de punto final capaces de modificar algoritmos al tiempo que imponen el acceso con menos privilegios. La creciente inteligencia de los sensores y las mejoras en el monitoreo de procesos en tiempo real los están convirtiendo en un vector de amenaza principal en las redes. El diseño en microsegmentación y la aplicación del acceso menos privilegiado al sensor individual se están logrando hoy en día en todos los sitios de fabricación inteligente.
• Planifique ahora modelos de IA y ML que puedan escalar a contabilidad y finanzas desde las operaciones. El líder de un proyecto de fabricación de IIoT dijo que la capacidad de interpretar lo que está sucediendo desde una perspectiva de taller sobre finanzas en tiempo real vendió a la alta gerencia y al directorio en el proyecto. Saber cómo las compensaciones en los proveedores, la selección de maquinaria y las asignaciones de la tripulación afectan las tasas de rendimiento y las ganancias de productividad es clave. Una ventaja es que todos en el taller saben si alcanzaron sus números del día o no. Hacer concesiones inmediatas en el análisis de la calidad del producto ayuda a aliviar las variaciones en los costos reales de cada proyecto, gracias a los datos de IIoT.
• Diseño que respalde la formación de modelos de aprendizaje automático a nivel de algoritmo de dispositivo desde el principio. Cuanto más independiente pueda ser un dispositivo determinado desde el punto de vista de la inteligencia contextual, incluido el ajuste fino de sus modelos de ML, más valiosos serán los conocimientos que proporcionará. El objetivo es saber cómo y dónde corregir el rumbo en un proceso determinado basándose en el análisis de datos en tiempo real. Los algoritmos a nivel de dispositivo están demostrando potencial para proporcionar curación y contextualización de datos en la actualidad. Los sensores de los vehículos autónomos están entrenando modelos ML continuamente, utilizando un amplio espectro de datos, incluido el radar, para interpretar las condiciones de la carretera, los obstáculos y la presencia o ausencia de un conductor. El siguiente gráfico del estudio de McKinsey Smartening up with Artificial Intelligence (AI): ¿qué ventajas tiene para Alemania y su sector industrial? explica cómo se aplican estos principios a los vehículos autónomos.

Arriba: La dependencia de los vehículos autónomos en un amplio espectro de datos y modelos de ML para interpretar y proporcionar orientación prescriptiva se asemeja a los desafíos de las empresas para mantener las operaciones en marcha.

Los datos de IoT en tiempo real contienen la información que necesitan las iniciativas de transformación digital para tener éxito. Sin embargo, las arquitecturas y plataformas técnicas heredadas limitan el valor de los datos de IoT al no escalar para admitir entornos de modelado de IA y ML, cargas de trabajo y aplicaciones a escala. Como resultado, las organizaciones que acumulan cantidades masivas de datos de IoT, especialmente los fabricantes, necesitan una plataforma de IoT diseñada específicamente para admitir nuevos modelos comerciales digitales.